4 conceptos de análisis que todo gerente debe entender

Jorg Greuel/Getty Images

Como muchos profesionales, mi trabajo no requiere experiencia en datos o análisis. Soy escritor y editor, así que me ocupo de las palabras, no de los números. Aun así, casi todos los trabajadores del conocimiento actuales tienen que ser consumidores habituales de análisis de datos. Por ejemplo, tengo que entender si los artículos sobre una crisis a mitad de carrera tienen mejores resultados que los que reciben comentarios y por qué los artículos con titulares particulares reciben más tráfico que otros.

También necesito poder leer las investigaciones sobre los temas que cubro y entender si las conclusiones de esos estudios son válidas y generalizables, y poder explicarles las conclusiones (y sus limitaciones) a ustedes, nuestros lectores.

Para hacer todo esto, necesito un conocimiento más que básico del análisis de datos. Y aunque el curso de estadística que hice en el posgrado fue útil, no me preparó del todo para entender los conceptos importantes y mantener las conversaciones que necesito en torno al análisis de datos.

Centro de información

• Ampliar las habilidades de datos de su equipo

  Patrocinado por Splunk

  Ayude a sus empleados a conocer mejor los datos.

Por suerte, tuve la oportunidad de hablar con algunos de los mejores expertos en la materia: Tom Redman, autor de Impulsado por los datos: sacar provecho de su activo empresarial más importante, y Kaiser Fung, que fundó el programa de análisis aplicado en la Universidad de Columbia, sobre varios temas fundamentales en lo que respecta al análisis de datos. Estos son cuatro refrescantes de nuestros archivos sobre conceptos de análisis de datos que cada el gerente debería entender.

Experimentos controlados aleatorios

Uno de los primeros pasos de cualquier análisis es la recopilación de datos. Esto ocurre a menudo a través de una variedad de experimentos que realizan las empresas, desde encuestas rápidas e informales hasta estudios piloto, experimentos de campo e investigaciones de laboratorio. Uno de los tipos más estructurados es el experimento controlado aleatorio. Muchas personas, cuando escuchan este término, piensan inmediatamente en los costosos ensayos clínicos, pero los experimentos controlados aleatorios no tienen por qué ser costosos ni llevar mucho tiempo y se pueden utilizar para recopilar datos sobre, por ejemplo, si una intervención concreta del servicio de atención al cliente mejoró la retención de clientes o si un equipo nuevo y más caro es más eficaz que uno más económico. En este repaso, Tom Redman me ayuda a entender lo que significa que una prueba está «controlada» y cómo se asegura de que incluye un elemento de «aleatorización». El artículo también aborda preguntas como: ¿Qué son las variables dependientes e independientes? ¿Y cuáles son los pasos para diseñar y llevar a cabo uno de estos experimentos?

Pruebas A/B

Uno de los experimentos más comunes que utilizan las empresas hoy en día es la prueba A/B ( que es un tipo de experimento controlado aleatorio). En su forma más básica, estas pruebas son una forma de comparar dos versiones de algo para averiguar cuál funciona mejor. Las empresas lo utilizan para responder a preguntas como: «¿Qué es lo más probable que haga que la gente haga clic? ¿O comprar nuestro producto? ¿O registrarse en nuestro sitio?» Las pruebas A/B se utilizan para evaluar todo, desde el diseño de sitios web hasta las ofertas en línea, los titulares y las descripciones de los productos. Es fundamental para entender cómo interpretar los resultados y evitar los errores más comunes, como terminar el experimento demasiado pronto antes de obtener resultados válidos o intentar consultar un panel de métricas cuando realmente debería centrarse en unos pocos. Puede obtener más información sobre Las pruebas A/B aquí.

Análisis de regresión

Una vez que tenga los datos, análisis de regresión le ayuda a encontrarle sentido. Por supuesto, hay muchas formas de analizar los datos, pero la regresión lineal es una de las más importantes. Es una forma de determinar matemáticamente si hay una relación entre dos o más variables. Por ejemplo, si se dedica a la venta de sombrillas, le interesará saber cuántos artículos más vende los días de lluvia. El análisis de regresión puede ayudarlo a determinar si los centímetros de lluvia afectan a las ventas y cómo. Responde a las preguntas: ¿Qué factores son más importantes? ¿Qué podemos ignorar? ¿Cómo interactúan esos factores entre sí? Y, quizás lo más importante, ¿qué tan seguros estamos de todos estos factores?

Afortunadamente, la regresión no es algo que haga normalmente por su cuenta. ¡Hay programas de estadísticas para eso! Pero sigue siendo importante entender las matemáticas detrás de esto y los tipos de errores que se deben evitar. En este repaso, explico cómo funciona la regresión y comparto una advertencia común, pero a menudo malinterpretada, contra la confusión de correlación con causalidad.

Importancia estadística

Una vez hecho el análisis, tendrá que averiguar qué significan sus resultados, si es que significan algo. Aquí es donde significación estadística entra. Este es un concepto que también se malinterpreta y se utiliza a menudo. Sin embargo, dado que cada vez más empresas confían en los datos para tomar decisiones empresariales críticas, es un concepto esencial de entender. La significación estadística le ayuda a cuantificar si el resultado de un experimento se debe probablemente al azar o a los factores que estaba midiendo.

Este es un concepto que a veces me cuesta entender del todo, pero, afortunadamente, el profesional promedio no necesita entenderlo demasiado a fondo. Según Tom Redman, quien ayudó con este repaso, es más importante entender cómo no hacer un mal uso de él.

Mientras se dedica a estos cuatro conceptos, también sería útil leer este resumen del análisis cuantitativo de mi colega, Walt Frick. Es una buena introducción sobre por qué son importantes los datos, cómo elegir las métricas correctas y hacer las preguntas correctas a partir de los datos. También hay un excelente gráfico sobre la correlación y la causalidad que le ayuda a tomar decisiones sobre cuándo actuar según el análisis y cuándo no.

Por último, si le interesa la analítica porque necesita consumir investigación en ciencias sociales, le recomiendo encarecidamente esta pieza de Eva Vivalt, investigadora y profesora de la Universidad Nacional de Australia. Da varios consejos para determinar si se debe confiar en las pruebas de un estudio.

El análisis de datos consiste, en última instancia, en tomar buenas decisiones. No importa en qué negocio se dedique o cuál sea su función en la empresa, todos queremos —necesitamos, realmente— tomar decisiones inteligentes, informadas y basadas en la evidencia.